3.1.2.2 Debt to Equity Ratio
3.5. Model Analisis Data
3.5.1. Pengujian Asumsi Klasik
X3 = Firm Size
X4 = Growth
X5 = Free Cash Flow
b1, …, bn = Koefisien regresi e1 = error term
Nilai koefisien regresi melainkan menyatakan arah hubungan atau lebih tegasnya menyatakan pengaruh variabel bebas X terhadap variabel terikat Y.
Jika b = A (b bertanda positif) menyatakan bahwa variabel bebas X berpengaruh positif terhadap nilai variabel terikat Y.
Bila nilai variabel bebas X bertambah 1 unit, maka nilai variabel Y akan bertambah sebesar A unit. Sebaliknya bila nilai variabel berkurang 1 unit, maka nilai variabel Y akan berkurang sebesar A unit.
Jika nilai b = – A (b bertanda negatif) yang menyatakan bahwa variabel bebas X berpengaruh negatif terhadap nilai variabel terikat Y.
Bila nilai variabel X bertambah 1 unit, maka nilai variabel Y akan berkurang sebesar A unit. Sebaliknya bila nilai variabel berkurang 1 unit, maka nilai variabel Y akan bertambah sebesar A unit.
3.5.1. Pengujian Asumsi Klasik
Pada penelitian ini juga akan dilakukan pengujian penyimpangan asumsi klasik terhadap model regresi yang telah diolah yang meliputi:
3.5.1.1. Uji Multikolinieritas
Uji Multikolinearitas digunakan dalam menguji penelitian untuk mengetahui apakah terdapat suatu hubungan linear antara masing-masing variabel independen di dalam model regresi serta korelasi atas variabel bebas (independen). Model regresi yang baik seharusnya bebas multikolinieritas atau tidak terjadi korelasi diantara variabel independen (Ghozali, 2005).
Multikolinearitas ini biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait satu sama lain di dalam model dan tidak terjadi pada regresi linear sederhana karena hanya melibatkan satu variabel independen. Untuk mengetahui ada tidaknya multikolinearitas di dalam sebuah model dapat diidentifikasi dari ciri-ciri sebagai berikut: a. Nilai R-Square signifikan, Uji F signifikan, tetapi standard error dan
tingkat signifikansi masing-masing variabel rendah.
b. Perubahan kecil pada data, akan menyebabkan perubahan yang signifikan pada variabel yang diamati
c. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang seharusnya memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan nilai negatif.
3.5.1.2. Uji Autokorelasi
Uji autokorelasi dimaksudkan untuk menguji adanya kesalahan Autokorelasi dapat diartikan sebagai korelasi yang terjadi di antara anggota-anggota dari serangkaian observasi yang berderetan waktu
(apabila datanya time series) atau korelasi antara tempat berdekatan (apabila cross sectional). Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi maka di ada problem autokorelasi. (Ghozali, 2009)
Metode pengujian Autokorelasi yang sering digunakan adalah dengan uji Durbin-Watson (uji DW) dengan ketentuan sebagai berikut:
1. Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol ditolak, yang berarti terdapat autokorelasi.
2. Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada autokorelasi.
3. Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti.
3.5.1.3. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas. Jika variance tetap maka disebut homoskedastisitas dan jika berbeda maka terjadi problem heteroskedastisitas. Model regresi yang baik yaitu homoskesdatisitas atau tidak terjadi heteroskedastisitas.
Ada beberapa cara untuk mendeteksi ada tidaknya heteroskedastisitas yaitu melihat scatter plot (nilai prediksi dependen ZPRED dengan residual SRESID), uji Gletjer, uji Park, dan uji White.
Untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan salah satunya dengan melihat grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah di-studentized.
Salah satu cara untuk mendeteksi heteroskedastisitas adalah dengan melihat grafik scatter plot antara lain prediksi variable terikat (ZPREID) dengan residualnya (SRESID). Dalam mendeteksi uji Heteroskedastisitas dapat menggunakan analisis berikut ini :
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
c. Jika ada titik pola tertentu yang teratur (bergelombang, melebar kemudian menyempit) maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik
menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas (Ghozali, 2006).
3.5.1.4. Uji Normalitas
Salah satu cara untuk melakukan uji normalitas dapat menggunakan grafik normal p-plot yang memperlihatkan titik-titik menyebar di sekitar garis diagonal karena penyebarannya mengikuti arah garis diagonal, sehingga kedua grafik tersebut dapat menunjukkan bahwa model regresi layak dipakai karena memenuhi asumsi normalitas (Ghazali, 2009)
Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan:
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas (Ghozali, 2007).
Selain dengan menggunakan grafik, pada penelitian ini pengujian normalitas juga dilakukan dengan menggunakan uji statistik non-parametrik Kolmogorov- Smirnov (K-S)
Hipotesis pada uji Kolmogorov-Smirnov adalah sebagai berikut: H0 : data mengikuti distribusi yang ditetapkan
Ha : data tidak mengikuti distribusi yang ditetapkan
Pedoman pengambilan keputusan dalam uji Kolmogorov-Smirnov : Jika nilai Sig atau signifikansi < 0,05. Distribusi adalah tidak normal. Jika nilai Sig atau signifikansi > 0,05. Distribusi adalah normal.